Quartz 4

- SCIENTIFIC-REPORT-FORECAST-LAB

3 min read

SCIENTIFIC-REPORT-FORECAST-LAB.md

Modulo: Forecast Lab
Stato: Draft
Versione App: FIRE v1.2

1. Abstract

(Il “Perché”)

  • Definizione di Forecast Lab come ambiente di validazione probabilistica (non generatore di segnali, ma “misuratore di incertezza”).
  • Concetto chiave: Simbiosi Uomo-Modello (L’AI calcola la probabilità, il Trader decide il rischio).

**2. Fondamenti Teorici

(Agnostico dal software)

2.1. Time Series Forecasting con Deep Learning

  • Deep Dive: Differenza tra modelli Autoregressivi classici (ARIMA) e Foundation Models (Transformer).
  • Il Concetto Zero-Shot: Perché i modelli pre-addestrati su miliardi di token non richiedono fine-tuning locale.

2.2. I Modelli in FIRE

  • TimesFM (Google Research): Architettura Decoder-Only, focus sulla precisione puntuale e quantili.
  • Chronos (Amazon): Approccio probabilistico basato su tokenizzazione.
  • Prophet (Meta): Modello additivo (Trend + Stagionalità).

2.3. Metriche di Validazione

  • RMSE (Root Mean Squared Error): Definizione matematica e significato finanziario (Errore di prezzo).
  • Directional Accuracy (DA):
    • Trend Accuracy: Capacità di prevedere il punto finale (t+ht+h) rispetto allo start (t0t0​ ).
    • Path Accuracy: Capacità di prevedere la volatilità interna step-by-step.
  • Soglie di Riferimento: Cosa è “Rumore” (50%) vs “Segnale” (>55%).

3. Integrità dei Dati

(Come FIRE gestisce la materia prima)

3.1. Principio di Sovranità dei Dati

  • Differenza tra Zoom Visivo (Toolbar) e Dati di Calcolo (Full History).
  • Spiegazione del perché l’Analisi di Sensibilità richiede serie storiche lunghe (dal 1980) per evitare l’overfitting sul ciclo di mercato corrente.

3.2. Il Problema dell’Epoch

  • Breve nota tecnica sulla gestione dei timestamp pre-1980 (limiti OS) e la soluzione adottata.

4. Guida Operativa (Il “Manuale d’Uso”)

(Specifico per l’interfaccia FIRE)

4.1. Tab 1: Live Forecast (Analisi Tattica)

  • Scopo: Vedere la proiezione futura su dati live.

  • Workflow:

    1. Seleziona Modello.

    2. Clicca “Esegui”.

  • Interpretazione: Lettura delle Bande di Incertezza (IQR 50% vs Outer 80%).

4.2. Tab 2: Model Backtester (Validazione Strategica)

  • Scopo: Testare l’affidabilità su un orizzonte fisso nel passato.

  • Workflow: Impostazione parametri (Window, Horizon).

  • [IMG-BACKTEST-RESULTS]: Screenshot della finestra dei risultati.

4.3. Tab 3: Optimizer / Decay Curve (Analisi Scientifica)

  • Scopo: Trovare l’orizzonte temporale ottimale.

  • Configurazione:

    • Spiegazione del “Test Mode” (Trend vs Path).

    • Spiegazione di “Simulation Step” (Trade-off velocità/precisione).

  • [IMG-DECAY-CURVE]: Screenshot del grafico a doppio asse (Verde/Giallo).

4.4. Configurazione Globale

  • Guida al Bottone MAX nella Toolbar.

  • Guida al flag Analysis: Use Full History nei Settings.

5. Interpretazione dei Risultati (Casi Studio)

5.1. Caso A: Il Trend Forte

  • Sintomi: Decay Curve crescente o stabile sopra il 60%. RMSE basso.

  • Azione: Trend Following.

5.2. Caso B: Il Mean Reverting

  • Sintomi: Accuracy < 45% (sotto il random).

  • Azione: Contrarian (scommettere contro il modello).

5.3. Caso C: Il Rumore Puro

  • Sintomi: Accuracy piatta al 50%.

  • Azione: Non tradare questo asset con questo modello.

6. Appendice: Strategie (Pseudo-Codice)

Esempi di come trasformare queste analisi in regole logiche.

codePython

# Esempio: Filtro di Robustezza
SE (DecayCurve.Accuracy(10) > 55%) E (DecayCurve.Accuracy(20) > 55%):
   MODELLO_AFFIDABILE = True
ALTRIMENTI:
   MODELLO_AFFIDABILE = False

Graph View